在处理大量数据的逆问题时，常常面临缺乏真实数据的挑战。本研究提出了一种无监督深度学习框架，旨在解决计算机断层扫描（CT）的成像问题。我们的方法结合了迭代重建、深度图像先验（DIP）和展开优化方案的内在相似性，形成了一种训练框架以实现摊销重建。
具体而言，在不依赖任何图像域真实数据的情况下进行训练后，未见扫描的重建可简化为一次网络前向传播。
我们在二维2DeteCT数据集上评估了该方法，结果显示我们的重建效果在受控的几何匹配基准测试中，与滤波反投影、最大似然重建及相同架构的监督网络相竞争，甚至表现得更好。
与每图像的DIP基线相比，我们的方法在保持相似质量的同时，通过单次前向传播替代了高昂的每实例优化，实现了约四个数量级的速度提升。这使得该方法在时间敏感的成像应用中展现出良好的前景。
未来的工作将集中于多数据集适应性、对抗过平滑的措施、先进的不确定性量化及进一步的医学成像逆问题研究。
博主点评： 这项研究展示了无监督深度学习在医学成像中的潜力，尤其是在缺乏标注数据的情况下。通过优化计算流程，该方法不仅提升了重建速度，还保持了图像质量，具有极大的应用前景，尤其是在紧急医疗成像场景中。未来的研究方向值得关注，特别是在处理不确定性和多样化数据集方面。